library(ggplot2)
library(dplyr)
ggplot(airquality |> mutate(Temp= (Temp - 32) * 5/9), aes(Temp, Ozone)) +
geom_point(color = "steelblue", size = 2, alpha = 0.7) +
geom_smooth(method = "loess")+
labs(
title = "Relação entre Temperatura e Ozono",
subtitle = "Dados do ar em Nova York",
x = "Temperatura (°C)",
y = "Níveis de Ozono (ppb)"
)+
theme_minimal()+
theme(plot.title = element_text(face = "bold"))Fundamentals of Data Science in Healthcare
Applications in R
André Peralta-Santos, Coordenador do Curso
Escola Nacional de Saúde Pública
Curso
Desenvolver competências práticas de análise de dados no setor da saúde.
Formar profissionais capacitados na aplicação de tecnologias avançadas, como R, modelação preditiva e dashboards interativos.
- Análise eficiente de dados de saúde;
- Automatização de relatórios;
- Criação de visualizações interativas;
- Integração da IApara insights avançados.
Objetivos
- Compreender e aplicar as melhores práticas em R, RStudio e projetos de ciência de dados;
- Criar e personalizar relatórios profissionais em vários formatos utilizando Quarto;
- Manipular e explorar dados usando as ferramentas do tidyverse;
- Construir visualizações de dados e mapas com o ggplot2;
- Aplicar métodos estatísticos e desenvolver modelos inferenciais e preditivos em R;
- Desenvolver, ajustar e avaliar modelos de Machine Learning utilizando o tidymodels;
- Automatizar relatórios, criar dashboards e utilizar ferramentas de controle de versão para colaboração em projetos;
- Realizar um projeto abrangente (Capstone Project) do início ao fim e apresentar os resultados, demonstrando suas competências em Ciência de Dados.
Equipa Docente
André Peralta Santos
Pedro Casaca
Manuel Ribeiro
João Dionísio
Módulos
- Foundations of Data Science in R
- Data Science Collaboration tools (Github)
- Data Science productivity tools
- Data wrangling and exploration
- Data Visualization
- Inference and Statistical Models
- Machine Learning with R
- Advanced Data Science Tools
- Masterclass
- Projeto Final (Capstone)
Método de Ensino
O curso funciona com um sistema híbrido de ensino.
- Quatro sessões presenciais no ínicio e no final para facilitar a entrada na programação e haver feedback em direto;
- Seis sessões online assíncrona com vídeos, disponibilizados pela Equipa Docente;
- Módulos com trabalhos autónomo para estimular auto-aprendizagem;
- Sessões de dúvidas todas as semanas para esclarecer e consolidar conhecimento.
Manipulação de Dados
Visualização de dados
Exemplo
Exemplo
Machine Learning
Edição Anterior
Edição Anterior
Edição Anterior
Edição Anterior
Edição Anterior
